基于物理原理的神经网络模拟，研究了三杂化纳米流体在催化表面上的滑移流动现象：该研究对燃料电池应用具有重要意义

《Canadian Journal of Chemical Engineering》：Physics informed neural network simulation of trihybrid nanofluid slip flow along a catalytic surface: Fuel cell applications

　　摘要

本研究探讨了催化反应对三杂化纳米流体在达西多孔介质中流动的影响，旨在提高燃料电池的性能。研究了三种纳米流体：单杂化纳米流体（Al?O?-H?O）、二元杂化纳米流体（Cu-Al?O?-H?O）和三杂化纳米流体（TiO?-Cu-Al?O?-H?O）。通过阿伦尼乌斯动力学分析了放热催化反应。为了分析热溶质传输现象，将原始方程简化为一组相似性方程。采用物理信息神经网络（PINN）算法来求解这些简化后的方程，并对某些固定参数下的PINN结果进行了验证。文中还提供了基于L-BFGS（即有限记忆Broyden–Fletcher–Goldfarb–Shanno优化器）的编码细节、迭代过程和训练损失信息。评估了达西数、反应热、反应速率和活化能参数对流动特性的影响。通过PINN这种新颖的深度学习方法分析了物理量和流动剖面，计算了速度、温度、溶质浓度分布、摩擦力、努塞尔数和谢伍德数。研究发现，反应热参数的增加显著提高了温度，但降低了溶质浓度。对比摩擦力、热量和质量传递的结果发现，对于二元杂化纳米流体，相关参数分别降低了12.27%、增加了3.54%；对于三杂化纳米流体，这些参数分别降低了12.92%、增加了5.81%和增加了……活化能参数的增加提高了溶质浓度。本研究的结果在燃料电池板设计、生物反应器传输现象以及纳米生物化学系统中具有应用价值。

利益冲突声明

作者声明没有利益冲突。

同行评审

为了保证透明度，与本文相关的同行评审文件可访问：https://doi.org/10.1002/cjce.70441。评审轮次：第二轮

编辑决定函

2026/04/13

评审员1报告

2026/04/11

评审轮次：第一轮

编辑决定函

2026/03/08

评审员1报告

2026/01/15

数据可用性声明

由于本研究中未生成或分析任何数据集，因此不适用数据共享规定。